大數據下的精準營銷

劉曉春

（對外經濟貿易大學統計學院在職人員高級課程研修班學員 北京 100029）

引言

近年來，在互聯網行業經常出現數字經濟、數字化賦能等概念，其實數字經濟它是一種新興的經濟學概念，主要實現就是把數據、知識、信息等通過特定的方式或方法進行選擇、存儲、分析、處理和應用的過程。而大數據就是數字經濟的主要載體和要素。所以實際上數字經濟是一個概念很寬泛的經濟形式，它的主要作用是實現大數據的真正價值，從而實現資源的配置優化，推動生產關系和生產力的快速發展。

近年來，我國的經濟發展較為穩定，國內廣大人民群眾的生活質量和生活水平有了很好的提升，生活越來越便利，并且朝著智能化生活服務邁進。而且國家經濟工作的重點一直強調擴大內需，大力發展數字經濟是一個很好的契機。如果從市場的角度考慮擴大內需，那么需要從質和量兩個方面進行建設。一是從供給端增加產品的數字內涵，二是從需求端形成產品數字消費的新市場。近年來，在現代社會經濟下，傳統行業的經濟由于原有經營模式和理念已經落后于電商經濟的步伐，特別是中國的消費互聯網高速發展的大背景，電商經濟更是在 2020年的疫情期達到了歷史的巔峰。這種情況倒逼傳統企業必須借助產業互聯網進軍數字空間，并在數字空間中形成新的產品和服務的運營模式，這種物理空間與數字空間并重的商業模式，將會使中國制造業逐漸開始引領全球制造業的數字化轉型。

1 數字化精準營銷

大數據時代最大的營銷挑戰，是在公司品牌客戶或廣告把所需要宣傳的信息傳達給潛在消費者以后，是否實際產生效益，這需要了解用戶進一步的轉化效果。互聯網給電商經濟帶來流量紅利，促使電商可以快速占領市場。但是在現有的激烈競爭模式下我們也不得不面對一個現象，伴隨著目前互聯網的流量紅利已經快要用盡，存量時代來臨，電商企業GMV增長必須靠消費者的精細化運營來實現。

1.1 那么如何實現精準營銷呢

對全量用戶精準營銷，而這一切必須依賴大數據對用戶精準分群才能實現。所以大數據時代的數據不在于擁有，在于運用。大數據時代的來臨，如何利用大數據來為精細化運營和精準營銷服務，如何能快速對用戶進行全方位刻畫，如何能準確的找到目標人群，成為企業迫切需要解決的問題，為了應對這一需求，企業必須建立用戶洞察，對用戶進行全面刻畫。

1.2 全域用戶畫像，可以促進產業賦能與精細化運營

用戶畫像，俗稱對用戶打標簽，并且全方位打標，從而形成畫像，標簽類型有屬性標簽比如年齡，職業，性別，消費水平等；興趣標簽比如教育，購物，影音，游戲，金融理財等；行為標簽如近期活躍的應用，近期去過的場景等，也有根據特定場景所設立的定制化標簽。用戶畫像是企業大數據應用的根基，是定向廣告投放與個性化推薦的前置條件。從對用戶的標簽的打標規則對標簽分類，主要類型包括簡單的統計類標簽、常規的規則類標簽和常用于預測使用的機器學習挖掘類標簽。

其中機器挖掘形成的標簽是模型的抽象，營銷千變萬化，每場活動都有獨特的場景和規則，如何將差異化的活動抽象初共性的部分是設計時第一步要考慮的事情。核心內容是大數據處理，數據挖掘、清洗、特征提煉，需要大量運算，標簽最終將結果作為一種知識沉淀，通過算法、模型實現了“認識”人。當計算機具備打標能力后，廣告投放的精準度也就能更好的提升，信息獲取的效率也得到提高。

在最后實現上，消費者精細化運營不是一句空話，要實現GMV增長目標，需要知道市場的決策因子有哪些，市場費用如何去做精準人群營銷，才能接近目標GMV。

這里引入業界知名的AIPL模型概念做進一步解釋。

A（Awareness）人群：有品牌意識的人，對品牌有所認知，并產生過瀏覽，被動觸達過的人群；

I（Interest）人群：興趣人群，指的是與品牌的商品有過主動點擊或者使用等行為的人；

P（Purchase）人群：指地是實際發生過購買行為的人，和店鋪注冊的電商會員或加粉行為的人群；

L（Loyalty）人群：指地是品牌的忠實用戶，并且在品牌內發生過復購行為的人；

所以在廣告投放種采用AIPL人群的正確分層，可以有效的實現品牌人群資產的定量化，以及鏈路化運營，從而實現最大化的GMV的轉化。AIPL模型，使得大家對品牌用戶有了一個清晰的認識，同時也可以預估出品牌的資產總量，對品牌的生產和營銷能夠建立一個綜合的數據模型，同時對品牌的消費者有個比較全面的衡量。

2 具體案例解析

2.1 數據來源

本次數據的數據來源于某線上平臺美妝品的拉新轉化營銷實驗，分別根據品類以往的點擊行為，以及人群的畫像刻畫，對人群進行分層，分為認知人群和興趣人群；觸點投放，選擇在站外的流量渠道和站內的流量渠道分別建立營銷策略，做精細化人群的廣告營銷。

2.2 數據采集

數據采集是通過各觸點產品線投放后，將投放打點日志進行過濾，寫入kafka，讓后通過落地server服務將曝光log日志、點擊log日志、商品交易日志、店鋪加購、關注等日志，傳送到flume，寫入hadoop集群中，供數據處理人員，做數據獲取和統計分析操作。

2.3 數據清洗

根據設置的投放計劃id，從投放曝光日志、投放點擊日志過濾出測試人群投放數據，對數據進行清洗處理，去除臟數據，將正確的結果數據寫入的新的表里，以供DWD層人員分析使用。

2.4 數據統計及分析

時間窗口：在2020年05月01日到2020年05月08日

分別針對A人群和I人群做了8天的定向投放并進行相關的數據統計，其結果如下：

表3-1 【A人群轉化趨勢統計】與【I人群轉化趨勢統計】

對以上表格數據進行趨勢處理，y1用柱形圖標記轉化客單價，y2用折線圖標記點擊率，如下圖所示：

通過數據分析統計得出結論：

A人群(認知人群)

點擊率偏低，只有百分之10%左右，轉化客單價偏高，人均拉新單價在50-60左右，

I人群(興趣人群)

很明顯點擊率一直很高，平均在35%，相反轉化價格較低，人均拉新單價在15-20元

所以針對不同人群進行拉新轉化，可以有效降低客戶的推廣成本。

2.5 人群洞察

針對A（認知人群）和I（興趣人群），通過消費力分析，劃分為低購買力人群、中購買力人群、和高購買力人群，通過氣泡圖對比發現，在同樣的消費帶人群里，I人群的消費GMV占比要高于A人群的消費GMV占比，那么也得出一個結論，人群需要根據地域、興趣、年齡段、性別等屬性，進行細分，然后分群對比發現不同屬性下的AI人群，她們的消費力也是不同的。

另外品牌也具有滲透作用，品牌與品牌之間可以通過一些量化的手段，主要基于品牌下用戶的興趣，屬性的相似度分析，計算出品牌距離，這樣在品牌拉新的時候，就可以容易去擴展品牌的人群量級，品牌一般都有目標特征人群，需要通過分析品牌的TGI指數，得出顯著特征，在我們分析上述數據的時候，就是針對特定的目標分析人群（高購買人群），TGI大于100的就是我們的目標特征。

3 數字風控

廣告營銷是一種快捷和直接的變現途徑，是各個流量渠道的重要收入來源。市場上的廣告流量商有百度、騰訊、京東、淘寶、新浪等，廣告收入在其收入中占比極高，然而相對的有利益的地方就有風險，廣告作弊的出現也就成為必然。黑產中常見的有刷點擊，刷留存，刷激活，刷請求，刷曝光等業務，都屬于廣告作弊常用手法。

識別行為異常是識別廣告作弊的有效手段，比如識別短時間內點擊次數異常，單ip下是否存在大量賬號聚集，廣告行為順序異常，廣告訪問地域異常等，結合設備維度識別如無設備指紋、設備是否篡改、同設備點擊次數超過閾值等。只要認為是作弊流量，所有廣告數據都認定為無效數據。

據某商業廣告反作弊組不完全統計，站外流量M端流量占比40%，通過反作弊識別的正常流量僅占30%，Pc流量占比20%，通過反作弊50%，App流量占比40%，通過反作弊70%，相對來說，app的流程質量要高于其他端，反作弊工作任重而道遠。